基于密度改进K‑means算法的超密集网络分簇方法技术

本发明专利技术公开了一种基于密度改进K‑means算法的超密集网络分簇方法，该方法首先计算超密集网络中密集分布的微小区基站的分布密度和分簇密度阀值；将分布密度大于分簇密度阀值的基站选为初始簇中心并形成初始簇中心池；通过使初始簇中心池中任意两个初始簇中心间的距离都大于簇中心隔离距离筛选出最终簇中心点；将最终簇中心点数目K以及对应的地理位置作为传统K‑means的输入参数并执行K‑means算法，从而得到最终超密集网络中所有基站的分簇结果。本发明专利技术可以根据网络拓扑的变化进行动态分簇，并且通过筛选簇中心点避免陷入局部最优解的情况，提高了分簇的准确度，同时也加快了分簇的收敛速度，可用于网络分簇和基站资源调度。

【技术实现步骤摘要】
基于密度改进K-means算法的超密集网络分簇方法
本专利技术属于无线通信领域，涉及一种基于密度改进K-means算法的超密集网络分簇方法，适用于对网络进行合理分簇和基站资源调度。
技术介绍
近年来，越来越多的通信设备接入网络中，使得整个网络结构变得庞大而复杂，同时用户对数据流量的需求也呈现爆炸性增长，无线网络将面临着巨大的挑战。在超密集网络中，通过将微小区基站密集部署在小区中，可以大幅提高无线网络的系统容量。然而由于大量基站的密集部署，使得网络中干扰问题日趋严重，资源分配不合理的问题也亟待解决。通过分簇技术将整个网络分成多个子网络，然后在每个簇内进行干扰管理和资源分配可以有效地简化网络结构、便于基站管理，从而有效地进行干扰管理、合理分配资源。其中，采用K-means算法可以快速的根据微小区基站的位置对基站进行有效分簇。但是传统K-means算法需要对分簇的个数提前人为设置，而且不能根据网络结构的变化自适应地设定分簇个数。此外，该算法由于随机选择初始簇中心使得最终分簇结果容易陷入局部最优解的情况。因此，需要寻找一个可以适应不断变化的网络拓扑结构，以及更好地对网络进行分簇的分簇方法，以便于在超密集网络中的实际应用。
技术实现思路
本专利技术所解决的技术问题在于提供一种基于密度改进K-means算法的超密集网络分簇方法，实现本专利技术目的的技术解决方案为：一种基于密度改进K-means算法的超密集网络分簇方法，包括以下步骤：步骤1、记录超密集网络中N个微小区基站的地理位置并计算每两个微小区基站之间的欧式距离。步骤2、计算微小区基站的分布密度和分簇密度阀值。步骤2-1定义的超密集网络中微小区基站的分布密度具体描述为：其中，λj代表N个微小区基站中第j个基站的分布密度，di,j代表微小区基站i和基站j之间的欧式距离。步骤2-2定义的超密集网络中微小区基站的分簇密度阀值具体描述为：步骤2-3定义α为初始簇中心数目的控制系数，其取值范围为α∈[0.6,1]。当α越大时，初始簇中心的数目就越多。步骤3、将分布密度大于分簇密度阀值的基站选为初始簇中心，利用判别式将分布密度大于分簇密度阀值的基站j定义为初始簇中心。步骤4、将所有筛选出来的初始簇中心组成一个初始簇中心池，并将池中的初始簇中心按照分布密度从大到小降序排列。步骤5、计算簇中心隔离距离。步骤5-1定义的簇中心隔离距离具体描述为：步骤5-2定义β为簇中心隔离距离的控制系数，其取值范围为β∈[0.5,1]。当β越小时，簇中心间的隔离距离就越小。步骤6、按照簇中心在初始簇中心池中的前后排列顺序，即λi＞λj，将簇中心i与簇中心j之间的距离di,j与簇中心隔离距离Rc进行比较。如果di,j＜Rc，β＝0.8，则将簇中心j从初始簇中心池中取出。重复此步骤，直至池中任意两簇中心间的距离都大于簇中心隔离距离。步骤7、统计并记录最终获得的初始簇中心池里的簇中心的数目K以及对应的地理位置，将其作为传统K-means的输入参数并执行K-means算法，从而得到最终超密集网络中所有基站的分簇结果。本专利技术与现有技术相比，其显著优点为：1)本专利技术可以根据网络中基站的位置变化动态地设置分簇的个数，从而更好地实现超密集网络的分簇；2)本专利技术通过计算基站的分布密度来筛选初始簇中心，可以避免陷入局部最优解的情况从而获得准确度更高的分簇结果；3)本专利技术和传统K-means算法相比，可以提高分簇的收敛速度。附图说明图1是本专利技术实施例的基站分布位置模拟图图2是本专利技术的算法流程图。图3是本专利技术实施例的分簇结果图。图4是本专利技术实施例算法收敛迭代次数的比较图。具体实施方式下面结合附图和具体实施例对本专利技术作进一步详细描述。本专利技术首先在一个300m*300m的区域内模拟微小区基站分布位置，其中基站位置满足泊松点分布过程，图1所示的是基站数目N＝50的分布位置模拟图。然后开始对基站进行分簇过程。如图2所示，本专利技术的一种基于密度改进K-means算法的超密集网络分簇方法的一般流程为：步骤1、记录超密集网络中N个微小区基站的地理位置，计算每两个微小区基站之间的欧式距离。步骤2、计算微小区基站的分布密度和分簇密度阀值。步骤2-1定义的超密集网络中微小区基站的分布密度具体描述为：其中，λj代表N个微小区基站中第j个基站的分布密度，di,j代表微小区基站i和基站j之间的欧式距离。步骤2-2定义的超密集网络中微小区基站的分簇密度阀值具体描述为：步骤2-3定义α为初始簇中心数目的控制系数，其取值范围为α∈[0.6,1]。当α越大时，初始簇中心的数目就越多。本专利技术实例中α＝1，根据公式(2)计算微小区基站的分簇密度阀值。步骤3、将分布密度大于分簇密度阀值的基站选为初始簇中心，利用判别式将分布密度大于分簇密度阀值的基站j定义为初始簇中心。步骤4、将所有筛选出来的初始簇中心组成一个初始簇中心池，并将池中的初始簇中心按照分布密度从大到小降序排列。步骤5、计算簇中心隔离距离。步骤5-1定义的簇中心隔离距离具体描述为：步骤5-2定义β为簇中心隔离距离的控制系数，其取值范围为β∈[0.5,1]。当β越小时，簇中心间的隔离距离就越小。本专利技术实例中β＝0.8，根据公式(4)计算簇中心隔离距离Rc。步骤6、按照簇中心在初始簇中心池中的前后排列顺序，即λi＞λj，将簇中心i与簇中心j之间的距离di,j与簇中心隔离距离Rc进行比较。如果di,j＜Rc，则将簇中心j从初始簇中心池中取出。重复此步骤，直至池中任意两簇中心间的距离都大于簇中心隔离距离。步骤7、统计并记录最终获得的初始簇中心池里的簇中心的数目K以及对应的地理位置，将其作为传统K-means的输入参数并执行K-means算法，从而得到最终超密集网络中所有基站的分簇结果。图3为本专利技术实施例的分簇结果图。可以看到，本专利技术算法很好地将N＝50个微小区基站分成了6个不相邻的簇，每个簇内基站都围绕着簇中心点分布。图4为本专利技术算法与传统K-means算法在不同基站数目下的算法收敛迭代次数的比较图。可以看到本专利技术算法收敛迭代次数明显低于传统K-means算法，说明本专利技术算法能够提高分簇的收敛速度。此外，可以看到随着基站数目的增加，本专利技术算法的迭代收敛次数虽然也在增加，但相比K-means算法更加稳定，说明本专利技术算法通过计算基站的分布密度来筛选初始簇中心，能够避免陷入局部最优解的情况从而获得准确度更高的分簇结果。以上所述仅为本专利技术的优选实施例而已，并不限制于本专利技术，对于本领域的技术人员来说，本专利技术可以有各种更改和变化。凡在本专利技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本专利技术的权利要求范围之内。本文档来自技高网...

【技术保护点】
一种基于密度改进K‑means算法的超密集网络分簇方法，其特征在于，包括以下步骤：步骤1、记录超密集网络中N个微小区基站的地理位置并计算每两个微小区基站之间的欧式距离；步骤2、计算微小区基站的分布密度和分簇密度阀值；步骤3、将分布密集大于分簇密度阀值的基站选为初始簇中心；步骤4、将所有筛选出来的初始簇中心组成一个初始簇中心池，并按照分布密度大小由大到小降序排列；步骤5、计算簇中心隔离距离；步骤6、按照簇中心在初始簇中心池中的前后排列顺序，依次将池中两两之间距离小于簇中心隔离距离的两个中心里分布密度较小的簇中心从初始簇中心池中取出，直到池中任意两个初始簇中心间的距离都大于簇中心隔离距离；步骤7、统计并记录最终获得的初始簇中心池里的簇中心的数目K以及对应的地理位置，将其作为传统K‑means的输入参数并执行K‑means算法，从而得到最终超密集网络中所有基站的分簇结果。

【技术特征摘要】
1.一种基于密度改进K-means算法的超密集网络分簇方法，其特征在于，包括以下步骤：步骤1、记录超密集网络中N个微小区基站的地理位置并计算每两个微小区基站之间的欧式距离；步骤2、计算微小区基站的分布密度和分簇密度阀值；步骤3、将分布密集大于分簇密度阀值的基站选为初始簇中心；步骤4、将所有筛选出来的初始簇中心组成一个初始簇中心池，并按照分布密度大小由大到小降序排列；步骤5、计算簇中心隔离距离；步骤6、按照簇中心在初始簇中心池中的前后排列顺序，依次将池中两两之间距离小于簇中心隔离距离的两个中心里分布密度较小的簇中心从初始簇中心池中取出，直到池中任意两个初始簇中心间的距离都大于簇中心隔离距离；步骤7、统计并记录最终获得的初始簇中心池里的簇中心的数目K以及对应的地理位置，将其作为传统K-means的输入参数并执行K-means算法，从而得到最终超密集网络中所有基站的分簇结果。2.根据权利要求1所述的基于密度改进K-means算法的超密集网络分簇方法，其特征在于，步骤2所述的微小区基站的分布密度具体描述为：且k≠j(1)其中，λj代表N个微小区基站中第j个基站的分布密度，di,j代表微小区基站i和基站j之间的欧式距离步骤2所述的微小区基站的分簇密度阀值具体描述为：

【专利技术属性】
技术研发人员：张晶，李文超，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32